学位论文 > 优秀研究生学位论文题录展示
基于PCNN和PSO的灰度图像增强
作 者: 梁耀云
导 师: 刘耀军
学 校: 太原科技大学
专 业: 数字图像处理
关键词: 灰度图像增强 脉冲耦合神经网络 微粒群 灰度变换函数
分类号: TP391.41
类 型: 硕士论文
年 份: 2013年
下 载: 48次
引 用: 0次
阅 读: 论文下载
内容摘要
图像作为人类视觉的主要捕捉对象之一,在人类接收信息中起着不可忽视的作用,因此对图像进行处理越来越得到人们的重视。数字图像处理技术随着科技的发展也逐步渗透到各个领域,例如生物医学、遥感航天、军事公安、工业应用、电视会议等领域,给人们带来了不菲的经济效益和社会效益。灰度图像在生成、传输或转换的过程中,受光照、设备的成像系统以及外界噪声等方面的影响,会导致图像模糊、清晰度下降、对比度降低等现象出现。为了后续的识别和分析,通常需要对灰度图像进行增强处理,提高图像质量和图像可视度。灰度图像增强为了增强图像的视觉效果,只根据一定的目的或需求对图像中存在的因素进行单种或多种技术处理,提高图像的对比度和清晰度,它不追究导致图像降质的原因或因素。目前,在灰度图像增强方法的选择上还没有统一的规则,为了提高图像质量,可针对具体的图像和需求,同时选择几种增强方法对图像进行处理,达到增强视觉效果等目的即可。本文对灰度图像增强算法进行了深入的研究,所做的研究工作主要有:(1)对基于微粒群(PSO)的灰度变换函数——Beta函数进行了验证。Beta函数是Tubbs于1987年提出的一种灰度变换函数,该函数中有两个参数需要确定,利用微粒群算法(PSO)对参数的自动寻优是一种有效的方法。本文对该方法进行了阐述,并用实验仿真对比说明了该函数的有效性。(2)对脉冲耦合神经网络(PCNN)模型进行了改进。本文在分析PCNN模型工作原理的理论基础之上,去掉了对该模型运行机制影响较小的参数,这样在简化模型的同时,还对模型中的β参数进行改进,实现β参数的自适应设置。实验结果表明,改进的PCNN模型的滤波效果比传统方法要好,可以使处理后的图像获得更好的边缘清晰度。(3)为了便于后续工作(例如识别、分析等)的顺利进行,本文将改进的PCNN与基于PSO的Beta函数相结合,对含噪图像进行滤波处理之后再进行线性变换。实验结果表明,利用该方法处理灰度图像,不仅去除了噪声,还扩展了图像灰度等级,提高了图像边缘清晰度,增强了图像的整体效果,是一种有效的图像增强方法。
|
全文目录
中文摘要 4-5 ABSTRACT 5-10 第一章 绪论 10-18 1.1 数字图像处理的起源 10 1.2 图像、数字图像和数字图像处理 10-11 1.2.1 图像 10 1.2.2 数字图像及其表示 10-11 1.2.3 数字图像处理 11 1.3 数字图像处理的特点 11-12 1.4 数字图像处理的研究内容 12-14 1.4.1 图像变换 12-13 1.4.2 图像编码压缩 13 1.4.3 图像增强和图像复原 13 1.4.4 图像形态学 13 1.4.5 图像分割 13-14 1.4.6 图像特征及其描述 14 1.4.7 图像识别 14 1.5 数字图像处理的研究现状 14-15 1.6 本文主要内容及论文章节安排 15-18 第二章 灰度图像增强 18-38 2.1 引言 18-19 2.2 灰度变换法 19-24 2.2.1 线性变换 19-22 2.2.2 非线性变换 22-24 2.3 灰度直方图 24-27 2.3.1 直方图 24-25 2.3.2 直方图修正 25-27 2.4 图像平滑 27-33 2.4.1 领域平均法 27-28 2.4.2 中值滤波法 28-29 2.4.3 同态滤波法 29-30 2.4.4 低通滤波法 30-33 2.5 图像锐化 33-35 2.5.1 空间域锐化 33-35 2.5.2 频率域锐化 35 2.6 伪彩色和真彩色增强 35-36 2.6.1 颜色模型 35-36 2.6.2 伪彩色增强 36 2.6.3 真彩色增强 36 2.7 本章小结 36-38 第三章 基于粒子群的灰度变换函数 38-48 3.1 粒子群算法 38-42 3.1.1 标准粒子群算法 38-39 3.1.2 算法步骤 39 3.1.3 PSO 参数分析 39-42 3.1.4 PSO 优化算法的特点 42 3.2 灰度变换函数-Beta 函数 42-43 3.3 基于粒子群的灰度变换函数步骤 43-44 3.4 实验仿真和实验对比 44-46 3.5 本章小结 46-48 第四章 灰度图像增强算法的改进 48-58 4.1 PCNN 的研究现状 48-49 4.2 PCNN 的标准模型 49-50 4.3 PCNN 的工作原理 50-51 4.3.1 无耦合链接状态的 PCNN 50-51 4.3.2 耦合链接状态的 PCNN 51 4.4 PCNN 的基本特性 51-52 4.5 PCNN 模型的改进 52-54 4.6 算法实现和实验结果 54-57 4.7 本章小结 57-58 第五章 全文总结 58-60 5.1 总结 58 5.2 展望 58-60 参考文献 60-64 致谢 64-66 研究生期间发表的论文 66-68 个人简介与联系方式 68-69
|
相似论文
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 生料浆配料过程返料成分的时间序列混沌分析和SVM预测研究,O211.61
- AGV视觉导航系统的研究,TP242
- 低质量指纹识别方法研究,TP391.41
- 基于多尺度几何分析的图像融合算法研究,TP391.41
- 基于BLACKFIN的图像边缘检测算法,TP391.41
- 集装箱堆场智能算法研究,U691
- 基于改进型PCNN的图像混合噪声滤除方法,TP391.41
- CT与MRI医学图像融合方法研究,TP391.41
- 脉冲耦合神经网络在图像分割与图像检索中的应用研究,TP391.41
- 脉冲耦合神经网络在图像分割和人脸检测中的应用研究,TP391.41
- 基于弯曲小波变换的航空构件断口图像识别新方法研究,TP391.41
- 多模医学图像配准与融合的研究与实现,TP391.41
- 彩色可见光与红外图像融合算法的研究,TP391.41
- 基于FPGA的PCNN图像噪声滤波器设计,TP391.41
- 基于PCNN和混沌序列可撤销指纹Fuzzy Vault算法的研究,TP391.41
- 脉冲耦合神经网络在SAR自动目标识别中的应用研究,TN957.52
- 低清晰度掌纹识别技术研究,TP391.41
- 基于克隆选择算法的PCNN关键参数自动设定算法研究,TP391.41
- 印版显微灰度图像二值化算法研究,TP391.41
- 脉冲耦合神经网络在医学图像处理中的应用研究,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|